关系抽取和分类的生成模型
本研究提出了一种知识增强的生成模型,能够前所未有地利用知识图谱来解决关系抽取问题中的歧义,显著提高了在多个基准测试和设置下的性能表现。
Jun, 2022
本文探讨了利用 GPT-3 和 Flan-T5 等大型语言模型来进行关系提取(RE)的问题,通过将关系线性化生成目标字符串的方法进行了序列到序列的任务处理,通过人工评估的方式,在不同程度的监督下评估了它们在标准 RE 任务中的表现,发现通过 GPT-3 进行的少量提示与现有完全监督模型大致相当,而使用 Chain-of-Thought 风格的解释进一步监督和微调后,该模型产生了最优结果。
May, 2023
关系抽取领域正在向利用大语言模型的生成式关系抽取方向转变,用以填补传统的关系抽取度量方法在评估生成式方法时的不足,介绍了多维度评估方法 GenRES,并通过对十四个领先的大语言模型进行全面评估,通过文件、包、句子级别的数据集为未来生成式关系抽取研究设立了基准。
Feb, 2024
本文提出了一个创新的关系抽取任务的体系结构,其将语义信息与知识库建模相结合。该模型通过将句子编码为上下文关联嵌入来进行关系抽取,并结合参数化实体嵌入来评分关系实例。该 CRE 模型在来自纽约时报注释语料库和 FreeBase 的数据集上实现了最新的表现。
Nov, 2020
本论文提出了一种基于符号序列和负采样策略的 DocRE 生成方法,通过生成与关系矩阵相关的有序序列来改进现有的基于词汇表示的 DocRE 模型,并且实验证明本方法可以提高这类模型的性能。
Oct, 2022
本研究综述了关系抽取领域深度学习技术的现状,涵盖资源、分类、挑战和未来方向等方面,有望促进研究者共同探索真实生活中关系抽取系统的挑战。
Jun, 2023
该研究提出了使用 encoder-classifier-reconstructor 模型来解决 DocRE(document-level relation extraction)中因图形结构普遍建模不含关系的实体对而导致性能较差的问题,并在大规模 DocRE 数据集上得到了显著的性能提升。
Dec, 2020
我们提出了一种关系图方法,用于明确利用关系之间的相互依赖性,在文档级别关系抽取中考虑关系的相互关联,并通过关系图模型化关系之间的相关性,以及通过关系信息传播的关系相关矩阵的重要性。实验结果验证了我们的方法可以提高多关系抽取的性能,在文档级别关系抽取中考虑关系的相互关联的有效性。
Oct, 2023
本文提出了一种名为 SimpleRE 的简单而有效的对话关系提取模型,通过一种新颖的输入格式 BRS 捕捉了对话中多个关系间的相互关联,并通过关系细化门(RRG)以自适应的方式提取关系特定的语义表示。实验表明,SimpleRE 在 DialogRE 数据集上取得了最好的性能,并且没有使用外部资源就优于所有直接基线在句级关系提取上的表现。
Dec, 2020